基于邻域采样的多任务图推荐算法

近年来,图神经网络(GNN)成为解决协同过滤的主流方法之一。它通过构建用户-物品图,模拟用户与物品的交互关系,并用GNN学习它们的特征表示。尽管现有在模型结构上的研究已取得了较大进展,但如何在图结构上更有效地进行负采样仍未有效解决。为此,提出一种基于邻域采样的多任务图推荐算法。该算法提出了一种基于GNN的邻域采样策略,该策略以每个用户为中心构建子图,将次高阶物品作为用户邻域采样的负样本,可以更有效地挖掘强负样本并提高采样质量。通过GNN对图结点进行信息聚合与特征提取,得到结点的最终嵌入表示。设计一种余弦边际损失来过滤部分冗余负样本,以有效减少采样过程中的噪声数据。同时,该算法引入了多任务策略对模型进行联合优化,以增强模型的泛化能力。在3个公开数据集上进行的大量实验表明,该算法在大多数情况下明显优于其他主流算法。

移动边缘计算中基于图到序列深度强化学习的复杂任务部署策略

借助于移动边缘计算(MEC)和网络虚拟化技术,可使移动端将执行各类复杂应用所需的算力、存储和传输等资源需求就近卸载至边缘服务节点,从而获得更高效的服务体验。面向边缘服务商,研究其在进行复杂任务部署时所面临的能耗优化决策问题。首先将复杂任务部署于多个边缘服务节点的问题建模为混合整数规划(MIP)模型,然后提出了一种融合图到序列的深度强化学习(DRL)求解策略。该策略通过基于图的编码器设计提取并学习子任务间潜在的依赖关系,从而根据边缘服务节点的可用资源状态及使用率自动发现任务部署的通用模式,最终快速获得能耗优化的部署策略。在不同的网络规模中,将所提策略与具代表性的基准策略进行了全面对比。实验结果表明,所提策略在任务部署错误率、MEC系统总功耗和算法求解效率等方面均显著优于基准策略。

基于图半监督与多任务学习的配电网故障区段与类型统一辨识

为解决深度学习类配电网故障辨识方法在量测不足和标记率低时准确率不高的问题,提出了基于图半监督与多任务学习的故障区段与类型统一辨识方法。首先,设计了故障区段与类型统一辨识的图神经网络架构,在图嵌入层中融入网络拓扑和线路参数信息,以充分挖掘不同位置、类型的故障特征。其次,采用多任务注意力网络构建了故障区段定位和类型辨识两个任务,以提取故障的多重信息,实现不同任务间知识转移。再次,将图嵌入特征与无标签样本的编码压缩特征进行融合,得到新的多任务共享特征,以充分利用未标记数据,增强模型泛化能力。最后,通过算例测试表明,所提方法的故障辨识精度优于传统神经网络,且在实时量测少、标签率低及不同量测噪声条件下具有更好的鲁棒性。

GNNSched:面向GPU的图神经网络推理任务调度框架

由于频繁的显存访问,图神经网络GNN在GPU上运行时往往资源利用率较低。现有的推理框架由于没有考虑GNN输入的不规则性,直接适用到GNN进行推理任务共置时可能会超出显存容量导致任务失败。对于GNN推理任务,需要根据其输入特点预先分析并发任务的显存占用情况,以确保并发任务在GPU上的成功共置。此外,多租户场景提交的推理任务亟需灵活的调度策略,以满足并发推理任务的服务质量要求。为了解决上述问题,提出了GNNSched,其在GPU上高效管理GNN推理任务的共置运行。具体来说,GNNSched将并发推理任务组织为队列,并在算子粒度上根据成本函数估算每个任务的显存占用情况。GNNSched实现了多种调度策略来生成任务组,这些任务组被迭代地提交到GPU并发执行。实验结果表明,GNNSched能够满足并发GNN推理任务的服务质量并降低推理任务的响应时延。

基于异构环境的Out-Tree任务图的调度算法

分布式应用程序的有效调度是异构计算系统中的一个关键问题。目前已有的Out-Tree任务图的调度算法大多基于同构环境而开发,未考虑处理机的异构性,导致调度的效率较低。针对异构计算环境,提出一个基于列表和任务复制的Out-Tree任务图的静态启发式贪心调度算法,其时间复杂度为O(hv2 p),其中h、v和p分别表示任务图的高度、任务个数和调度使用的处理机个数。实验结果表明,相比其他算法,该算法能提供调度长度较短、处理机使用较少的有效调度,其应用性更强。

图多智能体任务建模视角下的协作子任务行为发现

大量多智能体任务都表现出近似可分解结构,其中相同交互集合中智能体间交互强度大,而不同交互集合中智能体间交互强度小.有效建模该结构并利用其来协调智能体动作选择可以提升合作型多智能体任务中多智能体强化学习算法的学习效率.然而,目前已有工作通常忽视并且无法有效实现这一目标.为解决该问题,使用动态图来建模多智能体任务中的近似可分解结构,并由此提出一种名叫协作子任务行为(coordinated subtask pattern,CSP)的新算法来增强智能体间局部以及全局协作.具体而言,CSP算法使用子任务来识别智能体间的交互集合,并利用双层策略结构来将所有智能体周期性地分配到多个子任务中.这种分配方式可以准确刻画动态图上智能体间的交互关系.基于这种子任务分配,CSP算法提出子任务内和子任务间行为约束来提升智能体间局部以及全局协作.这2种行为约束确保相同子任务内的部分智能体间可以预知彼此动作选择,同时所有智能体选择优异的联合动作来最大化整体任务性能.在星际争霸环境的多个地图上开展实验,实验结果表明CSP算法明显优于多种对比算法,验证了所提算法可以实现智能体间的高效协作.

基于图嵌入编码形态信息的非均匀多任务强化学习方法

传统强化学习方法存在效率低下、泛化性能差、策略模型不可迁移的问题。针对此问题,提出了一种非均匀多任务强化学习方法,通过学习多个强化任务提升效率和泛化性能,将智能体形态构建为图,利用图神经网络能处理任意连接和大小的图来解决状态和动作空间维度不同的非均匀任务,突破模型不可迁移的局限,充分发挥图神经网络天然地利用图结构归纳偏差的优点,实现了模型高效训练和泛化性能提升,并可快速迁移到新任务。多任务学习实验结果表明,与以往方法相比,该方法在多任务学习和迁移学习实验中均表现出更好的性能,在迁移学习实验中展现出更准确的知识迁移。通过引入图结构偏差,使该方法具备更高的效率和更好的迁移泛化性能。

GEA-NMT:图卷积增强的多任务低资源机器翻译模型

在低资源语种上训练高质量机器翻译系统的主要障碍是平行语料的稀缺,一些低资源语言在语言上与高资源语言相关或相似,相似的语言可能使用相同的字符集或类似的句法结构.本文利用低资源语种上的单语数据及与之相关联的高资源语种和目标语言的平行语料,尝试将翻译知识进行迁移,从而完成低资源语种和目标语言间的翻译模型训练.本文提出一种图卷积增强的多任务训练低资源神经机器翻译模型(GCN Enhanced multi-task Adapting Neural Machine Translation,GEA-NMT),结合降噪自编码器、生成对抗训练、回译和桥接方法,并使用图神经网络学习句法依赖关系以进一步提升低资源语种上的神经机器翻译模型效果.

基于多任务图神经网络的非定常流体预测

在高维非线性流体模拟中,传统计算流体力学(computational fluid dynamics,CFD)求解器存在计算成本与难度较高的局限性。为提高计算效率,提出一种结合多任务学习与图神经网络的流体模拟方法,旨在高效、快速预测非定常流体动力过程。首先采用非结构化网格对流体计算域的空间分布建模,结合图神经网络提取其多维度空间特征,并通过消息传递机制的聚合更新特性来模拟流体的时空变化规律。考虑流体中不同物理场参数之间存在相关性,采用多任务学习策略对多个物理场参数并行学习和预测,以提高模型的准确性与泛化性。构建数据集并开展验证,对比了不同图神经网络的预测精度,结果表明,相较于图卷积神经网络,本文提出的模型表现出更好的预测性能。预测100步时,均方误差降低了7.2%,预测200步时相对下降29.9%。本文方法在计算效率上也有显著提升,与常规CFD求解器相比,预测速度提升了一到两个数量级,为实时预测提供支撑。

面向语义分析的文本式任务图生成方法研究

针对复杂任务的不确定性和复合型,论文提出面向语义分析的文本式任务图生成方法研究,将任务分析过程划分为任务链图构建和任务实体关联图构建两阶段。在语义分析的基础上将任务语句中动词和名词的“动宾”短语提取出并集合成事件对构成任务链图;任务实体关联图通过textrank算法提取任务语句中与任务链实体相关的关键词和高频词内容,将任务链图中忽略的关键信息展示在任务实体关联图内,两图共同将任务语句信息展示完整。该方法将人工智能与思维活动任务分析结合在一起,实现了任务自动分析,为复杂任务分析提供了新的方法。

借助任务驱动,发展数据意识——特级教师苏明强“图会说人话”教学片段赏析

特级教师苏明强执教的“图会说人话”一课的主要教学策略有:通过收集数据,学会提取信息;通过整理数据,渗透分类思想;通过描述数据,让点和线说话;通过分析数据,感受变化和应用,让学生在任务驱动中发展数据意识。

基于微信平台的任务驱动教学联合思维导图在妇产科实习教学中的应用

随着移动通信与互联网的迅速发展,微信平台已经成为人们日常生活中至关重要的一部分。根据最新数据显示,截至2023年6月底,微信平台每月活跃用户数量已突破了11亿,形成了一个庞大的社交网络。微信在教育领域开始广泛推广和应用,该平台为用户提供了极为便利的互动和沟通渠道,为教育活动开辟了更多可能性。考虑到妇产科实习教育的具体学习要求,采用思维导图结合的方法可以有效地增强学生的学习热情,并优化其学习体验。因此,在妇产科实习教学中,采用微信平台进行任务驱动与思维导图相结合的教学方式具有极高的价值。

智轨电车激光雷达多任务鸟瞰图感知算法研究

智轨电车在城市复杂道路场景下的安全运行离不开车载感知系统的支持,相较激光雷达感知,视觉感知算法存在距离检测精度不够、对环境光照敏感的短板。基于此,文章从智轨电车运行场景和感知方案部署成本出发,提出了一种基于激光雷达的多任务鸟瞰图(bird's-eye-view,BEV)感知算法。该算法采用深度学习的方法,将点云目标检测和语义分割两个任务统一到一个多任务网络中,相较独立部署两个网络的方法,其不仅节省了计算开销,还能提升网络检测分割性能。此外,该多任务网络采用基于BEV的点云编码方式,将从点云提取的特征通过映射转换到BEV空间,再通过特征金字塔进行多尺度的特征融合,最后分别通过检测模块和分割模块获取对应预测结果。测试结果表明,该算法的3D检测平均准确率达到0.925,分割准确率达到0.984,部署后单帧点云检测分割推理时间约为60ms,能够满足智轨电车实时准确感知周围障碍物和环境的要求。

一个调度Out-Tree任务图的新算法

OutTree任务图的调度研究可有效解决分治问题的并行计算。针对该类任务图,提出了一个新的调度算法。首先为各任务引入新定义,然后基于该定义计算各任务的优先级,进行调度。调度中,为节省处理器,在不改变调度长度的情况下,将任务尽可能地分配到已用处理器上。实验表明新算法的调度性能优于其他算法。

实时分布系统中Out-Tree任务的调度与检查点策略

针对实时分布系统中的Out-Tree任务,提出了一种启发式的调度算法(HSA—OT),并开发了一种多处理机上的最优检查点策略。该调度算法能够保证任务的调度长度最小,所需处理器数目尽量少,没有处理机间通信开销。该检查点策略没有检查点全局一致性开销,可保证各处理机的失效率最低。

异构环境下Out-Tree任务图的调度算法

Out-Tree任务图是任务调度问题中的基本结构,现有的多数算法在调度该任务图时凸显出处理器浪费的问题,从而导致算法调度效果欠佳。针对该问题,结合任务复制的调度策略,提出一种基于平均值的启发式算法。该算法在不增加算法调度长度的情况下,尽可能将任务调度至已有的处理器中执行,注重平衡处理器的负载,达到减少使用处理器的目的。实验结果表明,与TDS算法相比,该算法使用的处理器个数较少,且效率较高。

一个调度Out-Tree任务图的启发式算法

任务调度问题是并行分布式计算中的挑战性问题之一。大多数实际的调度算法是启发式的因而常常具有改进的余地。针对Out-Tree任务图这一基本结构提出一个基于任务复制的启发式调度算法,该算法在确保最短调度长度的同时,注重处理器的负载平衡,以达到节约处理器的目的。比较性实验的结果表明,该算法确保了最短调度长度且使用的处理器最少。因而,该算法提高了系统的利用率,避免消耗过多的资源,实际应用性更好。

基于多任务学习的地基云图识别与分割技术

云在天气预报中扮演着一个至关重要的角色,准确识别和分割地基云图可以有效指导天气预报。针对大部分现有数据集只适用于单任务学习,地基云图识别和分割技术多以单任务实现,识别检测效率低且算法鲁棒性差等问题,构建了带标签且适合多任务学习的地基云图数据集(GBCD)和GT数据集(GBCD-GT),在此基础上设计了一种基于多任务学习的地基云图识别与分割联合网络模型(GCRSegNet)。该模型首先通过卷积神经网络提取共享特征,再为每个任务设计特定网络,提取更具辨识度的特征,分割网络通过学习共享特征实现地基云图分割,识别网络通过结合共享特征和分割特征实现地基云图识别。经过多组对比试验表明,该网络能准确表征地基云图特征,使识别任务准确率达到94.28%,分割任务像素准确率达到93.85%,平均交并比达到71.58%,为实际应用提供了可能性。

任务驱动教学法在“机械制图”课程教学中的教学效果分析

“机械制图”课程是高职机电一体化、数控技术和机械制造与自动化专业的一门专业基础课,该课程的理论性、实践性都很强。在学习过程中要求培养学生丰富的空间想象力、“物—图—物”的思维变化能力及解决问题的综合能力。在教学过程中,通过创设情景将生产中的典型零件引入课堂教学中,使制图理论与生产实际相结合,做到学以致用,激发学生的学习兴趣和探索精神并取得了良好的教学效果。

面向高速行驶车辆的在线任务卸载决策算法

车载边缘计算中的任务卸载决策主要解决任务何时卸载,以及卸载至哪里执行的问题。车辆的高速行驶会造成卸载接入设备频繁变化,卸载通信链路随时可能中断,这要求车辆一旦获得卸载机会,就必须立即做出卸载决策。现有的卸载决策研究专注于如何最大化任务卸载执行增益,未充分考虑卸载决策时效对卸载策略的影响,导致提出的卸载决策方法的时间复杂度和空间复杂度高,无法用于高速行驶车辆的在线任务卸载决策。为解决上述问题,首先综合考虑卸载决策时效和卸载增益因素的影响,建立高速行驶车辆的任务卸载决策模型,并将其转化为类秘书问题。然后,提出了一种基于加权二部图匹配的在线车载任务卸载决策算法OODA,以协助车辆在依次经过多个异构的边缘服务器时,做出实时的任务卸载决策,并最大化整体卸载执行增益。最后,理论分析OODA算法的竞争比,并采用仿真实验验证该算法的可行性和有效性。